最大间隔主动学习
机器学习
2024-11-27 v1
摘要
主动学习旨在通过选择最具信息性的样本来优化性能，同时最小化标注成本。传统的不确定性抽样常导致选择相似的不可确定样本，从而产生抽样偏差。我们提出一种主动学习方法，利用固定等角球面点作为类原型，确保类之间的一致间隔和稳健特征表示。我们的ethods引入最大间隔主动学习 (MSAL) 用于不确定性抽样，以及结合策略 (MSAL-D) 用于 incorporating 多样性。该方法消除了昂贵的聚类步骤，同时通过球面均匀性保持多样性。我们在五个基准数据集上Demonstrated了与现有主动学习技术相比的卓越性能，突出该方法的有效性和集成易用性。代码已在 GitHub 上提供。
引用
@article{arxiv.2411.17444,
title = {Maximally Separated Active Learning},
author = {Tejaswi Kasarla and Abhishek Jha and Faye Tervoort and Rita Cucchiara and Pascal Mettes},
journal= {arXiv preprint arXiv:2411.17444},
year = {2024}
}
备注
ECCV 2024 Beyond Euclidean Workshop (proceedings)